Cr\u00e9dito: CC0 Public Domain <\/p>\n
Con la ayuda de un sofisticado aprendizaje autom\u00e1tico, los investigadores de la UPMC y la Facultad de Medicina de la Universidad de Pittsburgh demostraron que una herramienta que desarrollaron puede predecir r\u00e1pidamente la mortalidad de los pacientes enfrentando el traslado entre hospitales para acceder a cuidados de mayor agudeza. Esta investigaci\u00f3n, publicada hoy en PLOS One, podr\u00eda ayudar a los m\u00e9dicos, los pacientes y sus familias a evitar traslados innecesarios al hospital y tratamientos de bajo valor, mientras se enfoca mejor en los objetivos de atenci\u00f3n expresados por los pacientes. <\/p>\n
Cada a\u00f1o, casi 1,6 millones de pacientes o hasta el 3,5 % de todas las admisiones de pacientes hospitalizados se transfieren de un hospital a otro para acceder a atenci\u00f3n especializada para afecciones complejas. \u00abSin embargo, asegurar estos servicios a menudo requiere viajes onerosos y un apoyo comunitario reducido para los pacientes y sus familias. Mientras que algunos pueden recuperarse de la enfermedad aguda, muchos otros obtienen pocos beneficios en t\u00e9rminos de mejores resultados\u00bb, dijo Daniel E. Hall, MD, correspondiente autor del estudio, as\u00ed como director m\u00e9dico de poblaciones de alto riesgo y resultados en UPMC Wolff Center y profesor asociado de cirug\u00eda en la Escuela de Medicina de Pitt.<\/p>\n
Para abordar esta brecha en la coordinaci\u00f3n de la atenci\u00f3n al paciente , que actualmente se basa en el juicio ad hoc de los m\u00e9dicos de cabecera, Hall y su equipo desarrollaron una herramienta en tiempo real que puede predecir los resultados de mortalidad de los pacientes en el momento de la transferencia al hospital y entregar estos resultados a los m\u00e9dicos en menos de cinco minutos.<\/p>\n
Usando datos de casi 21\u00a0000 pacientes de 18 a\u00f1os o m\u00e1s que fueron trasladados a un hospital de la UPMC durante un per\u00edodo de 12 meses, los investigadores desarrollaron y validaron una herramienta de evaluaci\u00f3n del riesgo de mortalidad denominada \u00abS afeNET\u00bb (Transferencias Emergentes No Electivas Seguras). Despu\u00e9s de estudiar otros modelos de riesgo de mortalidad que se utilizan actualmente en la unidad de cuidados intensivos del hospital y en los entornos de admisi\u00f3n, Hall y su equipo elaboraron una lista de 70 variables independientes utilizadas en uno o m\u00e1s de estos modelos, incluidos datos demogr\u00e1ficos del paciente, signos vitales, pruebas de laboratorio y otros factores. <\/p>\n
Luego, analizaron los datos de facturaci\u00f3n de UPMC y los registros m\u00e9dicos electr\u00f3nicos de los pacientes hospitalizados para determinar si estas variables fueron registradas por el hospital receptor y se centraron solo en las que estaban disponibles dentro de las tres horas posteriores a la transferencia. Eso redujo la lista a 54 de las 70 variables. Utilizando el aprendizaje autom\u00e1tico guiado en conjuntos de datos de entrenamiento y prueba, el equipo finalmente desarroll\u00f3 su algoritmo SafeNET compuesto por 14 variables que predicen de manera confiable y r\u00e1pida la mortalidad en el hospital, a los 30 d\u00edas y a los 90 d\u00edas para los pacientes transferidos. Tambi\u00e9n compararon la capacidad predictiva de SafeNET con otra herramienta utilizada para pacientes con infecci\u00f3n y descubrieron que el algoritmo de SafeNET era m\u00e1s preciso y pod\u00eda usarse en una poblaci\u00f3n de pacientes m\u00e1s general.<\/p>\n
\u00abNuestro objetivo general era proporcionar informaci\u00f3n a los m\u00e9dicos de primera l\u00ednea para desencadenar e informar decisiones compartidas sobre los pacientes de mayor riesgo\u00bb, dijo Hall. \u00abEsta herramienta podr\u00eda ayudar a dirigir recursos adicionales a estos pacientes para garantizar que el plan de atenci\u00f3n sea consistente con los valores y objetivos del paciente. Con frecuencia, los pacientes transferidos y sus familias no entienden la gravedad de la enfermedad que enfrentan y tienen ideas poco realistas. expectativas sobre los resultados que producir\u00e1 una transferencia para atenci\u00f3n de nivel superior\u00bb.<\/p>\n
Al probar la herramienta en tres hospitales dentro del sistema UPMC, los investigadores crearon SafeNET como una aplicaci\u00f3n basada en la web de f\u00e1cil acceso. SafeNET gui\u00f3 a los usuarios para que ingresaran tantas variables como estuvieran inmediatamente disponibles y luego generaron un riesgo de mortalidad pronosticado con precisi\u00f3n, incluso cuando faltaba al menos una variable, lo que ocurr\u00eda m\u00e1s de la mitad de las veces.<\/p>\n
Hall advierte que se necesita m\u00e1s trabajo antes de implementar ampliamente SafeNET. Dado que los datos se restringieron a un solo sistema multihospitalario, es posible que los hallazgos no se generalicen a otros entornos de atenci\u00f3n. Y parte de la informaci\u00f3n que alimenta el algoritmo puede estar sujeta a sesgos.<\/p>\n
Se est\u00e1 trabajando en UPMC para crear v\u00edas de atenci\u00f3n activadas por la puntuaci\u00f3n de SafeNET que dirijan los recursos necesarios a los pacientes con mayor riesgo de malos resultados. Por ejemplo, la herramienta se est\u00e1 utilizando en estudios piloto para iniciar conferencias de clarificaci\u00f3n de objetivos entre los m\u00e9dicos que contemplan una transferencia entre hospitales y para brindar servicios de cuidados paliativos remotos por videoconferencia a los pacientes que est\u00e1n considerando la transferencia.<\/p>\n
\u00abSafeNET no pretende reemplazar el juicio cl\u00ednico\u00bb, anot\u00f3 Hall. \u00abEn cambio, su intenci\u00f3n es desencadenar una ‘pausa’ para que los m\u00e9dicos est\u00e9n mejor preparados para informar y guiar a los pacientes y sus familias, preferiblemente antes de que se transfiera a un paciente en estado cr\u00edtico. Sabemos que los pacientes o sus sustitutos que participan en conversaciones con los m\u00e9dicos sobre su valores tienden a recibir atenci\u00f3n que es consistente con sus preferencias. SafeNET puede ser una herramienta efectiva y econ\u00f3mica para facilitar esas conversaciones importantes\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
La herramienta para identificar pacientes fr\u00e1giles para reducir el riesgo quir\u00fargico funciona en el entorno del sistema de salud Informaci\u00f3n de la revista:<\/strong> PLoS ONE <\/p>\n Proporcionado por la Universidad de Pittsburgh Cita<\/strong>: Los investigadores desarrollan una herramienta de datos que puede mejorar la atenci\u00f3n (2021, 9 de febrero) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-02-tool.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: CC0 Public Domain Con la ayuda de un sofisticado aprendizaje autom\u00e1tico, los investigadores de la UPMC y la Facultad de Medicina de la Universidad de Pittsburgh demostraron que una herramienta que desarrollaron puede predecir r\u00e1pidamente la mortalidad de los pacientes enfrentando el traslado entre hospitales para acceder a cuidados de mayor agudeza. Esta investigaci\u00f3n, … Continuar leyendo \u00abInvestigadores desarrollan herramienta de datos que puede mejorar la atenci\u00f3n\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-15908","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15908","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=15908"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15908\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=15908"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=15908"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=15908"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}